CN107562963B - 一种筛选家装设计渲染图的方法和装置 - Google Patents
一种筛选家装设计渲染图的方法和装置 Download PDFInfo
- Publication number
- CN107562963B CN107562963B CN201710947364.4A CN201710947364A CN107562963B CN 107562963 B CN107562963 B CN 107562963B CN 201710947364 A CN201710947364 A CN 201710947364A CN 107562963 B CN107562963 B CN 107562963B
- Authority
- CN
- China
- Prior art keywords
- rendering
- map
- graph
- quality score
- commodity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种筛选家装设计渲染图的方法和装置,其中该方法包括:根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;根据所述第一质量分和所述第二质量分计算渲染图的最终质量分;将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。本发明可以取代人工筛选的方式,从家装设计渲染图库中自动筛选出优秀的家装设计渲染图,减少了大量人工运营成本。
Description
技术领域
本发明实施例涉及数字图像处理技术,尤其涉及一种筛选家装设计渲染图的方法和装置。
背景技术
随着人们生活水平的提高,人们开始追求优秀的家装设计方案。而获得优秀家装设计方案的一个重要的途径就是浏览各种优秀设计方案的图片。目前有许多的家装设计网站都有提供大批量的优秀设计方案图片,但是这些图片大都是通过人工筛选的方式被筛选出来,需要大量的人工运营成本。
发明内容
本发明提供一种筛选家装设计渲染图的方法和装置,以实现自动从家装设计渲染图库中筛选出优秀的渲染图。
第一方面,本发明实施例提出一种筛选家装设计渲染图的方法,该方法包括:
根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;
针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;
根据所述第一质量分和所述第二质量分计算渲染图的最终质量分;
将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
可选的,所述排除条件包括以下至少之一:
渲染图中所有商品模型占地面积之和与功能区总面积的比值小于第一预设比值;
渲染图内包含的商品模型数量多于第一预设数量或少于第二预设数量;
渲染图中存在至少一个商品模型,该商品模型的占地面积与该商品模型所在功能区面积的比值超过第二预设比值。
可选的,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,包括:
从所述渲染图对应的设计数据中获取所述渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区;
从预先构建的模型库中获取所述渲染图中各商品模型对应的质量分;
根据所述渲染图包含的功能区、商品模型所属的类目以及预设的类目权重,获取所述渲染图中各类目的权重;
根据所述渲染图包含的类目总数计算所述渲染图的类目丰富度;
根据所述渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度,计算所述第一质量分。
可选的,采用以下公式计算所述渲染图的类目丰富度:
其中,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
可选的,采用以下公式计算所述第一质量分:
其中,S1表示渲染图的第一质量分,n表示渲染图中商品模型的个数,xi表示第i个商品模型对应的质量分,cati表示第i个商品模型所属的类目,roomtypei表示第i个商品模型所属的功能区,α(cati,roomtypei)表示第i个商品模型所属类目的权重,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
可选的,所述预先构建的模型库包括:各商品模型及其对应的归一化质量分。
可选的,所述预设的类目权重包括:类目在不同功能区的权重。
可选的,所述方法还包括:根据新增商品模型或预设时间间隔对所述模型库中各商品模型的质量分重新进行归一化。
可选的,根据渲染图的图像特性计算渲染图的第二质量分,包括:
提取所述渲染图的边缘特征,得到边缘灰度图,并计算所述边缘灰度图与预设的优秀渲染图平均边缘灰度图的距离;
计算所述渲染图的亮度特征;
根据色相计算所述渲染图的色彩丰富度;
将所述渲染图的距离、亮度特征及色彩丰富度输入到预设评分模型中,输出得到所述渲染图的第二质量分。
可选的,计算所述渲染图的亮度特征,包括:
针对所述渲染图中的每个像素点,对该像素点RGB模式的3个通道值求和,作为该像素点的亮度;
将所述渲染图中全部像素点按照亮度进行排序,得到所述渲染图的亮度范围,并提取所述亮度范围内的亮度中位数作为所述渲染图的中间亮度。
可选的,根据所述第一质量分和所述第二质量分计算渲染图的最终质量分,包括:
分别对所述第一质量分和所述第二质量分进行归一化;
根据预设权重对归一化后的第一质量分和第二质量分进行加权求和,得到所述最终质量分。
第二方面,本发明实施例还提供了一种筛选家装设计渲染图的装置,该装置包括:
排除模块,用于根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;
第一计算模块,用于针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;
第二计算模块,用于根据所述第一质量分和所述第二质量分计算渲染图的最终质量分;
标记模块,用于将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
本发明提供一种筛选家装设计渲染图的方法和装置,先根据渲染图对应的设计数据排除质量明显较差的渲染图,然后根据渲染图内包含的商品模型信息和渲染图的图像特性计算渲染图的质量分,按照质量分对渲染图质量进行判别,从家装设计渲染图库中自动识别出优秀家装设计渲染图,解决了现有技术中通过人工筛选优秀家居设计渲染图导致人力成本大的问题,为优秀设计方案图库智能提供大批量的优秀家装设计渲染图,降低人工运营成本,且筛选效率高。
附图说明
图1是本发明实施例一提供的筛选家装设计渲染图的方法的流程图。
图2是本发明实施例二提供的筛选家装设计渲染图的方法中计算第一质量分的流程图。
图3是本发明实施例三提供的筛选家装设计渲染图的方法中计算第二质量分的流程图。
图4是本发明实施例四提供的一种筛选家装设计渲染图的装置的结构示意图。
图5是本发明实施例五提供的一种筛选家装设计渲染图的装置中第一计算模块的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例提供的一种筛选家装设计渲染图的方法的流程图,本实施例可适用于家装设计网站中渲染图的筛选,该方法可以由筛选家装设计渲染图的装置来执行,具体包括如下步骤:
步骤S110、根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图。
其中,渲染图对应的设计数据包括但不限于:渲染图内所包含的商品模型、商品模型的尺寸、商品模型的位置、商品模型所属的类目、类目总数、渲染图所包含的功能区、功能区的形状和面积。商品模型可以是沙发、床、电视等家装常用的商品。对每个商品模型进行类目管理,如靠背椅、凳子、沙发凳、餐椅、吧台椅和躺椅等属于椅子类目;电视柜、书柜、餐边柜、衣柜、床头柜、酒柜、置物架、花架和衣帽架等属于柜架类目。功能区可以是卧室、客厅、阳台和厕所等。
家装设计网站为用户提供家装方案设计工具,用户可以通过家装设计网站提供的工具和商品模型进行家装方案设计。家装设计方案包括生成的渲染图和对应的设计数据。优选的,所有的设计数据和渲染图可以数据库的形式存储于家装设计网站后台服务器中,因此,可以从家装设计网站后台服务器的各个家装设计方案中获取渲染图对应的设计数据。
家装设计网站的用户可以是企业、专业设计师和业主,其中企业可以是装修公司、品牌商、经销商或工长。商品模型是单个的3维模型,可以由企业提供,也可以是业主或者设计师自行设计。
排除条件是为了排除至少满足下列条件之一的渲染图:1)构图不饱满,使得功能区有一大堆空的空间;2)商品数据特别少或特别多;3)某个商品占的面积过大。通过渲染图的设计数据能够判断图库中的渲染图是否满足上述的排除条件,对图库中满足排除条件的质量明显较差的渲染图进行初步排除,从而得到待筛选渲染图。
步骤S120、针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分。
其中,渲染图的第一质量分与渲染图所包含的内容相关,渲染图的第二质量分与渲染图的图像特性相关。分别根据渲染图所包含的商品模型和渲染图的图像特性进行质量分计算,可以更全面地反映渲染图所对应设计方案是否优秀。渲染图内包含的商品模型信息可以从渲染图对应的设计数据得到,商品模型信息可以包括商品模型、商品模型所属的类目、类目总数以及功能区。渲染图的图像特性可以是渲染图的边缘空间分布、颜色分布、色相总数、模糊度、对比度和亮度等。第一质量分和第二质量分的计算不分先后,可以同时进行。
步骤S130、根据所述第一质量分和所述第二质量分计算渲染图的最终质量分。
其中,渲染图的最终质量分用于评定该渲染图是否为优秀家装设计渲染图,最终质量分的计算方式可以根据实际情况预先设置,例如,计算第一质量分和所述第二质量分的和,或者,计算第一质量分和所述第二质量分的加权和等。
步骤S140、将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
其中,预设阈值可以是根据实际情况设置的经验值,可由家居设计网站后台管理人员修改。优秀家装设计渲染图对应的设计方案为优秀设计方案,家装设计网站可以根据用户需求将优秀家装设计渲染图和优秀设计方案展示给用户,方便用户查看。
本实施例的技术方案,先根据渲染图对应的设计数据排除质量明显较差的渲染图,然后根据渲染图内包含的商品模型信息和渲染图的图像特性计算渲染图的质量分,按照质量分对渲染图质量进行判别,从家装设计渲染图库中自动识别出优秀家装设计渲染图,解决了现有技术中通过人工筛选优秀家居设计渲染图导致人力成本大的问题,为优秀设计方案图库智能提供大批量的优秀家装设计渲染图,降低人工运营成本,且筛选效率高。
在上述技术方案的基础上,排除条件优选可以包括以下至少之一:
(1)渲染图中所有商品模型占地面积之和与功能区总面积的比值小于第一预设比值;
(2)渲染图内包含的商品模型数量多于第一预设数量或少于第二预设数量;
(3)渲染图中存在至少一个商品模型,该商品模型的占地面积与该商品模型所在功能区面积的比值超过第二预设比值。
其中,占地面积指的是商品模型占有对应功能区地面的实际面积,桌面上的花瓶、床上的枕头和沙发上的坐垫等都不算占地面积。第一预设比值、第二预设比值、第一预设数量、第二预设数量均可以根据经验或实际情况进行设定。
上述排除条件对构图不饱满、商品数据特别少、商品数据特别多和某个商品占的面积过大等情况进行数学描述,提供了质量明显较差的渲染图的评判标准。
在上述各技术方案的基础上,最终质量分的计算方法优选可以包括以下步骤:分别对所述第一质量分和所述第二质量分进行归一化;根据预设权重对归一化后的第一质量分和第二质量分进行加权求和,得到所述最终质量分。其中,预设权重可以根据实验或经验值进行设置。归一化可以避免最终质量分过大或过小,从而保证最终质量分能够准确地评价渲染图的优秀程度。
实施例二
图2为本发明实施例二提供的筛选家装设计渲染图的方法中计算第一质量分的流程图。本实施例在上述实施例的基础上,将步骤120中第一质量分的计算进一步优化为以下步骤:
步骤S210、从所述渲染图对应的设计数据中获取所述渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区。
步骤S220、从预先构建的模型库中获取所述渲染图中各商品模型对应的质量分。
其中,预先构建的模型库中至少存储有各商品模型及其对应的质量分,当然,还可以存储商品模型的尺寸、类目等信息。商品模型的质量分可以根据实际情况进行设置,例如,大件商品模型的质量分高于小件商品模型的质量分,重要商品模型的质量分较高等。较优的,为了便于计算,可以对模型库中商品模型的质量分进行归一化处理,这样模型库中存储的是各商品模型及其对应的归一化质量分。具体可以采用公式将各商品模型的质量分归一化到(0,1)范围内,其中,x表示商品模型的归一化质量分,xmin表示模型库中的最小质量分,xmax表示模型库中的最大质量分。
步骤S230、根据所述渲染图包含的功能区、商品模型所属的类目以及预设的类目权重,获取所述渲染图中各类目的权重。
其中,预设的类目权重包括:类目在不同功能区的权重。预设的类目权重可以但不局限于由以下方法获得:在某个功能区下,按照类目对于该功能区的重要程度,对类目权重进行粗粒度的聚类,例如,对于该功能区非常重要的类目权重为10,很重要的类目权重为6,比较相关的类目权重为3,较为无关的类目权重为1。
步骤S240、根据所述渲染图包含的类目总数计算所述渲染图的类目丰富度。
其中,类目丰富度是考虑到商品类目多样性一定程度上决定了渲染图是否精美。
步骤S250、根据所述渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度,计算所述第一质量分。
本实施例的技术方案,通过从渲染图对应的设计数据中获取渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区,并根据渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度计算得到第一质量分,能够方便快捷地根据渲染图所包含内容对渲染图质量进行评分,为优秀家装设计渲染图的筛选提供基础。
渲染图的类目丰富度优选是采用以下公式计算:
其中,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
对不同类目数范围进行分段计算,可以更加准确地表达类目丰富度与渲染图是否精美的关系,进而使得对家装设计渲染图的质量评价更为精准。
在上述技术方案的基础上,第一质量分优选是采用以下公式计算:
其中,S1表示渲染图的第一质量分,n表示渲染图中商品模型的个数,xi表示第i个商品模型对应的质量分,cati表示第i个商品模型所属的类目,roomtypei表示第i个商品模型所属的功能区,α(cati,roomtypei)表示第i个商品模型所属类目的权重,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
此外,考虑到新增商品模型可能会影响模型库中的质量分最值,进而对归一化质量分存在影响,在一个优选实施方式中,上述方法还可以包括:根据新增商品模型或预设时间间隔对所述模型库中各商品模型的质量分重新进行归一化。由此能够保证模型库中的归一化质量分的及时性和准确性。
例如,检测到新增商品模型,结合该新增商品模型的质量分对模型库中的模型质量分重新进行一次归一化。又如,预先设置默认的质量分最值,检测到新增商品模型后,先使用该默认的质量分最值计算各商品模型的归一化质量分,当达到预设时间间隔(例如1天)后,结合新增商品模型的质量分对模型库中的各个商品模型的质量分重新进行归一化。
实施例三
图3为本发明实施例三提供的筛选家装设计渲染图的方法中计算第二质量分的流程图。本实施例在上述各实施例的基础上,将步骤120中第二质量分的计算进一步优化为以下步骤:
步骤S310、提取所述渲染图的边缘特征,得到边缘灰度图,并计算所述边缘灰度图与预设的优秀渲染图平均边缘灰度图的距离。
其中,渲染图的边缘特征的提取方法可以使用现有方法,例如拉普拉斯边缘提取、Canny边缘检测或者LoG边缘检测等,本实施例对提取边缘特征的方法和具体过程不进行限定。边缘灰度图可以是二维数组。边缘灰度图的距离可以是但不局限于余弦距离或欧氏距离。
步骤S320、计算所述渲染图的亮度特征。其中亮度特征可以是渲染图中各像素点的亮度。
步骤S330、根据色相计算所述渲染图的色彩丰富度。
其中,色彩丰富度的计算方法为:针对所述渲染图中的每个像素点,求得该像素点的色相;设定一定的阈值,过滤色相,得到所述渲染图的色相范围,即该渲染图的色彩丰富度。
步骤S340、将所述渲染图的距离、亮度特征及色彩丰富度输入到预设评分模型中,输出得到所述渲染图的第二质量分。
其中,预设评分模型可以通过机器学习进行样本训练得到,例如,通过BP(BackPropagation)神经网络模型训练得到。收集优秀渲染图作为正样本,例如符合本发明各实施例中所描述的条件的渲染图可视为优秀渲染图,收集普通渲染图作为负样本,例如除了质量明显较差的渲染图以及优秀渲染图之外的渲染图可视为普通渲染图。在样本训练过程中,输入正样本和负样本,提取样本的边缘特征、亮度特征和色彩丰富度,期望是根据上述特征计算得到正样本输出值较高,通过训练,得到计算渲染图第二质量分的模型。
本实施例的技术方案,获取渲染图的边缘特征距离、亮度特征及色彩丰富度,并输入到预设评分模型中,输出得到渲染图的第二质量分,能够方便快捷地根据渲染图本身图像特性对渲染图进行评分,为优秀家装设计渲染图的筛选提供基础。
优选的,渲染图的亮度特征可以包括渲染图的亮度范围和中间亮度。具体可采用以下步骤计算:针对所述渲染图中的每个像素点,对该像素点RGB模式的3个通道值求和,作为该像素点的亮度;将所述渲染图中全部像素点按照亮度进行排序,得到所述渲染图的亮度范围,并提取所述亮度范围内的亮度中位数作为所述渲染图的中间亮度。
其中,渲染图的亮度范围可以选取排序后的部分亮度范围表示。示例性的,渲染图有100个像素点,将这100个像素点按照亮度进行排序,去除1%最亮的像素点和1%最暗的像素点,得到剩余98%的像素点所对应的亮度范围,并将其作为渲染图的亮度范围,并提取渲染图的亮度范围内的亮度中位数作为渲染图的中间亮度。
实施例四
图4为本发明实施例四提供的一种筛选家装设计渲染图的装置的结构示意图,本实施例可适用于家装设计网站中渲染图的筛选,该装置可以由硬件和/或软件实现,例如该装置可以为服务器。本发明实施例所提供的筛选家装设计渲染图的装置可执行本发明任意实施例所提供的筛选家装设计渲染图的方法,具备执行该方法相应的功能模块和有益效果。
如图4所示,该装置的具体结构如下:排除模块410、第一计算模块420、第二计算模块430和标记模块440。
其中,排除模块410,用于根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;
第一计算模块420,用于针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;
第二计算模块430,用于根据所述第一质量分和所述第二质量分计算渲染图的最终质量分;
标记模块440,用于将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
本实施例的技术方案,先根据渲染图对应的设计数据排除质量明显较差的渲染图,然后根据渲染图内包含的商品模型信息和渲染图的图像特性计算渲染图的质量分,按照质量分对渲染图质量进行判别,从家装设计渲染图库中自动识别出优秀家装设计渲染图,解决了现有技术中通过人工筛选优秀家居设计渲染图导致人力成本大的问题,为优秀设计方案图库智能提供大批量的优秀家装设计渲染图,降低人工运营成本,且筛选效率高。
在上述技术方案的基础上,排除条件优选可以包括以下至少之一:
(1)渲染图中所有商品模型占地面积之和与功能区总面积的比值小于第一预设比值;
(2)渲染图内包含的商品模型数量多于第一预设数量或少于第二预设数量;
(3)渲染图中存在至少一个商品模型,该商品模型的占地面积与该商品模型所在功能区面积的比值超过第二预设比值。
其中,占地面积指的是商品模型占有对应功能区地面的实际面积,桌面上的花瓶、床上的枕头和沙发上的坐垫等都不算占地面积。第一预设比值、第二预设比值、第一预设数量、第二预设数量均可以根据经验或实际情况进行设定。
上述排除条件对构图不饱满、商品数据特别少、商品数据特别多和某个商品占的面积过大等情况进行数学描述,提供了质量明显较差的渲染图的评判标准。
在上述各技术方案的基础上,第二计算模块430具体用于:分别对所述第一质量分和所述第二质量分进行归一化;根据预设权重对归一化后的第一质量分和第二质量分进行加权求和,得到所述最终质量分。其中,预设权重可以根据实验或经验值进行设置。归一化可以避免最终质量分过大或过小,从而保证最终质量分能够准确地评价渲染图的优秀程度。
实施例五
图5为本发明实施例五提供的一种筛选家装设计渲染图的装置中第一计算模块的结构示意图。本实施例在上述实施例的基础上,提供了第一计算模块420的优选结构。
对应于计算第一质量分的过程,第一计算模块420可以包括:设计数据获取单元421、模型质量分获取单元422、类目权重获取单元423、类目丰富度计算单元424和第一质量分计算单元425。
设计数据获取单元421,用于从所述渲染图对应的设计数据中获取所述渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区。
模型质量分获取单元422,用于从预先构建的模型库中获取所述渲染图中各商品模型对应的质量分。
其中,预先构建的模型库中至少存储有各商品模型及其对应的质量分,当然,还可以存储商品模型的尺寸、类目等信息。商品模型的质量分可以根据实际情况进行设置,例如,大件商品模型的质量分高于小件商品模型的质量分,重要商品模型的质量分较高等。较优的,为了便于计算,可以对模型库中商品模型的质量分进行归一化处理,这样模型库中存储的是各商品模型及其对应的归一化质量分。具体可以采用公式将各商品模型的质量分归一化到(0,1)范围内,其中,x表示商品模型的归一化质量分,xmin表示模型库中的最小质量分,xmax表示模型库中的最大质量分。
类目权重获取单元423,用于根据所述渲染图包含的功能区、商品模型所属的类目以及预设的类目权重,获取所述渲染图中各类目的权重。
其中,预设的类目权重包括:类目在不同功能区的权重。预设的类目权重可以但不局限于由以下方法获得:在某个功能区下,按照类目对于该功能区的重要程度,对类目权重进行粗粒度的聚类,例如,对于该功能区非常重要的类目权重为10,很重要的类目权重为6,比较相关的类目权重为3,较为无关的类目权重为1。
类目丰富度计算单元424,用于根据所述渲染图包含的类目总数计算所述渲染图的类目丰富度。其中,类目丰富度是考虑到商品类目多样性一定程度上决定了渲染图是否精美。
第一质量分计算单元425,用于根据所述渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度,计算所述第一质量分。
本实施例中,第一计算模块420通过从渲染图对应的设计数据中获取渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区,并根据渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度计算得到第一质量分,能够方便快捷地根据渲染图所包含内容对渲染图质量进行评分,为优秀家装设计渲染图的筛选提供基础。
其中,类目丰富度计算单元424优选采用以下公式计算渲染图的类目丰富度:
其中,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
对不同类目数范围进行分段计算,可以更加准确地表达类目丰富度与渲染图是否精美的关系,进而使得对家装设计渲染图的质量评价更为精准。
在上述技术方案的基础上,第一质量分计算单元425优选采用以下公式计算第一质量分:
其中,S1表示渲染图的第一质量分,n表示渲染图中商品模型的个数,xi表示第i个商品模型对应的质量分,cati表示第i个商品模型所属的类目,roomtypei表示第i个商品模型所属的功能区,α(cati,roomtypei)表示第i个商品模型所属类目的权重,m表示渲染图包含的类目总数,f(m)表示类目丰富度。
此外,考虑到新增商品模型可能会影响模型库中的质量分最值,进而对归一化质量分存在影响,在一个优选实施方式中,上述装置还可以包括:归一化计算模块,用于根据新增商品模型或预设时间间隔对所述模型库中各商品模型的质量分重新进行归一化。由此能够保证模型库中的归一化质量分的及时性和准确性。
例如,检测到新增商品模型,结合该新增商品模型的质量分对模型库中的模型质量分重新进行一次归一化。又如,预先设置默认的质量分最值,检测到新增商品模型后,先使用该默认的质量分最值计算各商品模型的归一化质量分,当达到预设时间间隔(例如1天)后,结合新增商品模型的质量分对模型库中的各个商品模型的质量分重新进行归一化。
对应于计算第二质量分的过程,第一计算模块420还可以包括:距离计算单元426、亮度特征计算单元427、色彩丰富度计算单元428和第二质量分计算单元429。
距离计算单元426,用于提取所述渲染图的边缘特征,得到边缘灰度图,并计算所述边缘灰度图与预设的优秀渲染图平均边缘灰度图的距离。
其中,渲染图的边缘特征的提取方法可以使用现有方法,例如拉普拉斯边缘提取、Canny边缘检测或者LoG边缘检测等,本实施例对提取边缘特征的方法和具体过程不进行限定。边缘灰度图可以是二维数组。边缘灰度图的距离可以是但不局限于余弦距离或欧氏距离。
亮度特征计算单元427,用于计算所述渲染图的亮度特征。其中亮度特征可以是渲染图中各像素点的亮度。
色彩丰富度计算单元428,用于根据色相计算所述渲染图的色彩丰富度。
其中,色彩丰富度的计算方法为:针对所述渲染图中的每个像素点,求得该像素点的色相;设定一定的阈值,过滤色相,得到所述渲染图的色相范围,即该渲染图的色彩丰富度。
第二质量分计算单元429,用于将所述渲染图的距离、亮度特征及色彩丰富度输入到预设评分模型中,输出得到所述渲染图的第二质量分。
其中,预设评分模型可以通过机器学习进行样本训练得到,例如,通过BP(BackPropagation)神经网络模型训练得到。收集优秀渲染图作为正样本,例如符合本发明各实施例中所描述的条件的渲染图可视为优秀渲染图,收集普通渲染图作为负样本,例如除了质量明显较差的渲染图以及优秀渲染图之外的渲染图可视为普通渲染图。在样本训练过程中,输入正样本和负样本,提取样本的边缘特征、亮度特征和色彩丰富度,期望是根据上述特征计算得到正样本输出值较高,通过训练,得到计算渲染图第二质量分的模型。
本实施例中,第一计算模块420获取渲染图的边缘特征距离、亮度特征及色彩丰富度,并输入到预设评分模型中,输出得到渲染图的第二质量分,能够方便快捷地根据渲染图本身图像特性对渲染图进行评分,为优秀家装设计渲染图的筛选提供基础。
优选的,渲染图的亮度特征可以包括渲染图的亮度范围和中间亮度。亮度特征计算单元427具体用于:针对所述渲染图中的每个像素点,对该像素点RGB模式的3个通道值求和,作为该像素点的亮度;将所述渲染图中全部像素点按照亮度进行排序,得到所述渲染图的亮度范围,并提取所述亮度范围内的亮度中位数作为所述渲染图的中间亮度。
其中,渲染图的亮度范围可以选取排序后的部分亮度范围表示。示例性的,渲染图有100个像素点,将这100个像素点按照亮度进行排序,去除1%最亮的像素点和1%最暗的像素点,得到剩余98%的像素点所对应的亮度范围,并将其作为渲染图的亮度范围,并提取渲染图的亮度范围内的亮度中位数作为渲染图的中间亮度。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种筛选家装设计渲染图的方法,其特征在于,该方法包括:
根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;
针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;
所述根据渲染图内包含的商品模型信息计算渲染图的第一质量分,包括:
从所述渲染图对应的设计数据中获取所述渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区;
从预先构建的模型库中获取所述渲染图中各商品模型对应的质量分;
根据所述渲染图包含的功能区、商品模型所属的类目以及预设的类目权重,获取所述渲染图中各类目的权重;
根据所述渲染图包含的类目总数计算所述渲染图的类目丰富度;
根据所述渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度,计算所述第一质量分;
所述根据渲染图的图像特性计算渲染图的第二质量分,包括:
提取所述渲染图的边缘特征,得到边缘灰度图,并计算所述边缘灰度图与预设的优秀渲染图平均边缘灰度图的距离;
计算所述渲染图的亮度特征;
根据色相计算所述渲染图的色彩丰富度;
将所述渲染图的距离、亮度特征及色彩丰富度输入到预设评分模型中,输出得到所述渲染图的第二质量分;
分别对所述第一质量分和所述第二质量分进行归一化;
根据预设权重对归一化后的第一质量分和第二质量分进行加权求和,得到最终质量分;
将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
2.如权利要求1所述的一种筛选家装设计渲染图的方法,其特征在于,所述排除条件包括以下至少之一:
渲染图中所有商品模型占地面积之和与功能区总面积的比值小于第一预设比值;
渲染图内包含的商品模型数量多于第一预设数量或少于第二预设数量;
渲染图中存在至少一个商品模型,该商品模型的占地面积与该商品模型所在功能区面积的比值超过第二预设比值。
5.如权利要求1所述的一种筛选家装设计渲染图的方法,其特征在于,
所述预先构建的模型库包括:各商品模型及其对应的归一化质量分;
所述预设的类目权重包括:类目在不同功能区的权重;
所述方法还包括:
根据新增商品模型或预设时间间隔对所述模型库中各商品模型的质量分重新进行归一化。
6.如权利要求1所述的一种筛选家装设计渲染图的方法,其特征在于,计算所述渲染图的亮度特征,包括:
针对所述渲染图中的每个像素点,对该像素点RGB模式的3个通道值求和,作为该像素点的亮度;
将所述渲染图中全部像素点按照亮度进行排序,得到所述渲染图的亮度范围,并提取所述亮度范围内的亮度中位数作为所述渲染图的中间亮度。
7.一种筛选家装设计渲染图的装置,其特征在于,该装置包括:
排除模块,用于根据渲染图对应的设计数据,排除图库中满足排除条件的渲染图,得到待筛选渲染图;
第一计算模块,用于针对所述待筛选渲染图中的每个渲染图,根据渲染图内包含的商品模型信息计算渲染图的第一质量分,以及根据渲染图的图像特性计算渲染图的第二质量分;
所述第一计算模块包括:设计数据获取单元、模型质量分获取单元、类目权重获取单元、类目丰富度计算单元和第一质量分计算单元;
所述设计数据获取单元,用于从所述渲染图对应的设计数据中获取所述渲染图内包含的商品模型、商品模型所属的类目、渲染图包含的类目总数以及渲染图包含的功能区;
所述模型质量分获取单元,用于从预先构建的模型库中获取所述渲染图中各商品模型对应的质量分;
所述类目权重获取单元,用于根据所述渲染图包含的功能区、商品模型所属的类目以及预设的类目权重,获取所述渲染图中各类目的权重;
所述类目丰富度计算单元,用于根据所述渲染图包含的类目总数计算所述渲染图的类目丰富度;
所述第一质量分计算单元,用于根据所述渲染图中各商品模型对应的质量分、各类目的权重以及类目丰富度,计算所述第一质量分;
所述第一计算模块还包括:距离计算单元、亮度特征计算单元、色彩丰富度计算单元和第二质量分计算单元;
所述距离计算单元,用于提取所述渲染图的边缘特征,得到边缘灰度图,并计算所述边缘灰度图与预设的优秀渲染图平均边缘灰度图的距离;
所述亮度特征计算单元,用于计算所述渲染图的亮度特征;
所述色彩丰富度计算单元,用于根据色相计算所述渲染图的色彩丰富度;
所述第二质量分计算单元,用于将所述渲染图的距离、亮度特征及色彩丰富度输入到预设评分模型中,输出得到所述渲染图的第二质量分;
第二计算模块,用于分别对所述第一质量分和所述第二质量分进行归一化;根据预设权重对归一化后的第一质量分和第二质量分进行加权求和,得到最终质量分;
标记模块,用于将最终质量分超过预设阈值的渲染图标记为优秀家装设计渲染图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710947364.4A CN107562963B (zh) | 2017-10-12 | 2017-10-12 | 一种筛选家装设计渲染图的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710947364.4A CN107562963B (zh) | 2017-10-12 | 2017-10-12 | 一种筛选家装设计渲染图的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562963A CN107562963A (zh) | 2018-01-09 |
CN107562963B true CN107562963B (zh) | 2021-04-20 |
Family
ID=60985301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710947364.4A Active CN107562963B (zh) | 2017-10-12 | 2017-10-12 | 一种筛选家装设计渲染图的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562963B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510500B (zh) * | 2018-05-14 | 2021-02-26 | 深圳市云之梦科技有限公司 | 一种基于人脸肤色检测的虚拟人物形象的头发图层处理方法及系统 |
CN110782448A (zh) * | 2019-10-25 | 2020-02-11 | 广东三维家信息科技有限公司 | 渲染图像的评价方法及装置 |
CN110766741A (zh) * | 2019-10-30 | 2020-02-07 | 广东三维家信息科技有限公司 | 室内设计的效果图评级方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663010A (zh) * | 2012-03-20 | 2012-09-12 | 复旦大学 | 基于标注语义的个性化图像浏览与推荐方法及系统 |
US9137529B1 (en) * | 2010-08-09 | 2015-09-15 | Google Inc. | Models for predicting similarity between exemplars |
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN106202352A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 基于贝叶斯网络的室内家居风格与颜色搭配设计的方法 |
CN106355429A (zh) * | 2016-08-16 | 2017-01-25 | 北京小米移动软件有限公司 | 图像素材的推荐方法及装置 |
-
2017
- 2017-10-12 CN CN201710947364.4A patent/CN107562963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9137529B1 (en) * | 2010-08-09 | 2015-09-15 | Google Inc. | Models for predicting similarity between exemplars |
CN102663010A (zh) * | 2012-03-20 | 2012-09-12 | 复旦大学 | 基于标注语义的个性化图像浏览与推荐方法及系统 |
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN106202352A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 基于贝叶斯网络的室内家居风格与颜色搭配设计的方法 |
CN106355429A (zh) * | 2016-08-16 | 2017-01-25 | 北京小米移动软件有限公司 | 图像素材的推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107562963A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562963B (zh) | 一种筛选家装设计渲染图的方法和装置 | |
Amirshahi et al. | PHOG analysis of self-similarity in aesthetic images | |
CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
CN106650795B (zh) | 酒店房型图像的排序方法 | |
CN110443778B (zh) | 一种检测工业品不规则缺陷的方法 | |
CN105849685A (zh) | 用于图像区域的编辑选项 | |
US20190304008A1 (en) | Color palette guided shopping | |
WO2017016886A1 (de) | System und verfahren zur bereitstellung eines rezeptes | |
CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
US10701220B2 (en) | Image print proposal device, method, and program | |
US20220237832A1 (en) | Augmentation of digital images with simulated surface coatings | |
CN111241901A (zh) | 信息处理装置、存储介质及信息处理方法 | |
CN106294483A (zh) | 用于为产品品牌匹配代言人的数据处理方法和装置 | |
CN108648160B (zh) | 一种水下海参图像去雾增强方法及系统 | |
CN106910195A (zh) | 一种网页页面布局监测方法及装置 | |
CN110880167A (zh) | 室内效果图描述的生成方法、装置和电子设备 | |
JP2007053543A5 (zh) | ||
CN108156504B (zh) | 一种视频显示方法及装置 | |
CN116385105A (zh) | 智能化数据分析方法、存储介质及电子设备 | |
CN110176057A (zh) | 三维户型模型生成方法、装置、设备及存储介质 | |
CN116108523A (zh) | 构图生成方法、构图操作方法、计算机设备及其介质 | |
JP7380699B2 (ja) | 分析装置及びプログラム | |
DE202014010944U1 (de) | Bildbasierte Standortbestimmung | |
CN111259734B (zh) | 空间户型识别方法、装置、计算机设备及存储介质 | |
EP3343308A1 (de) | Verfahren und vorrichtung zum erkennen eines raumes mittels eines bodenpflegegeräts sowie bodenpflegegerät |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |